ChauffeurNet：通过模仿最优与合成最差来学习驾驶
机器人学
2018-12-10 v1 计算机视觉与模式识别
机器学习
摘要
我们的目标是通过模仿学习训练一个足以驾驶真实车辆的自动驾驶策略。我们发现，即便利用感知系统预处理输入、利用控制器在车上执行输出，标准行为克隆仍不足以应对复杂驾驶场景：3000 万个样本依然不够。我们提出以对专家驾驶进行扰动的形式向学习器暴露合成数据，这会产生如碰撞和/或驶离道路等有趣情形。学习器并非纯粹模仿所有数据，而是用额外的损失扩充模仿损失，这些损失惩罚不良事件并鼓励前进——扰动随后为这些损失提供重要信号并带来所学模型的鲁棒性。我们展示了 ChauffeurNet 模型能在仿真中处理复杂情形，并给出消融实验以强调我们所提各项改动的重要性，表明模型对恰当的因果因素作出响应。最后，我们演示了该模型在真实世界中驾驶一辆车。
引用
@article{arxiv.1812.03079,
title = {ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst},
author = {Mayank Bansal and Alex Krizhevsky and Abhijit Ogale},
journal= {arXiv preprint arXiv:1812.03079},
year = {2018}
}
备注
Video results: https://sites.google.com/view/waymo-learn-to-drive